CN104463233A - 车标识别方法及车标识别装置 - Google Patents

Abstract

本发明实施例公开一种车标识别方法，包括：检测到地感触发信号之后，在车辆图像中搜索车辆的车标图像；在搜索到车标图像后，提取车标图像的HOG特征；对车标图像的HOG特征进行LSH编码，获得车标图像的HOG特征编码；将车标图像的HOG特征编码和预存的车标模型的特征编码进行匹配，计算车标图像的HOG特征编码和各个车标模型的特征编码之间的汉明距离；在预存的N个车标模型中确定n个车标模型；利用n个车标模型分别识别车标图像，确定置信度最高的车标模型，输出置信度最高的车标模型的名称。本发明公开的车标识别方法在保证检测速度的前提下，提高了检测准确度。本发明还公开了相应的车标识别装置。

Description

车标识别方法及车标识别装置

技术领域

本发明属于车标识别技术领域，尤其涉及车标识别方法及车标识别装置。

背景技术

车牌识别已经被广泛应用在停车场的出入口，对进出场的车辆进行管理。目前出现了车标识别技术，车标识别是车辆识别技术新的研究方向，可以作为车牌识别的一种补充。

但是市场上车辆的品牌很多，相应的需要识别的车标的数量也很大，如何快速准确的完成车标识别，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种车标识别方法及车标识别装置，以便快速准确的完成车标识别。

为实现上述目的，本发明提供如下技术方案：

本发明公开过一种车标识别方法，包括：

检测到地感触发信号之后，在车辆图像中搜索车辆的车标图像；

在搜索到车标图像后，提取所述车标图像的梯度方向直方图HOG特征；

对所述车标图像的HOG特征进行局部敏感哈希LSH编码，获得所述车标图像的HOG特征编码；

将所述车标图像的HOG特征编码和预存的车标模型的特征编码进行匹配，计算所述车标图像的HOG特征编码和各个车标模型的特征编码之间的汉明距离；其中，对车标模型进行LSH编码获得车标模型的特征编码；

在预存的N个车标模型中确定n个车标模型，n为大于1的整数，所述n个车标模型的特征编码与所述车标图像的HOG特征编码之间的汉明距离，小于其他车标模型的特征编码与所述车标图像的HOG特征编码之间的汉明距离；其中，针对同一种车标在不同光照条件下分别配置有车标模型；

利用所述n个车标模型分别识别所述车标图像，确定置信度最高的车标模型，输出所述置信度最高的车标模型的名称。

优选的，上述方法中，所述在车辆图像中搜索车辆的车标图像，包括：获取车牌识别结果；在车牌被识别的情况下，基于车辆图像中的车牌区域确定待搜索区域，所述待搜索区域包含所述车牌区域且大于所述车牌区域；利用预存的车标混合模型在所述待搜索区域进行搜索，以获得车标图像。

优选的，上述方法中，获取车牌识别结果之后，在车牌未被识别的情况下，还包括：利用所述车标混合模型在所述车辆图像进行全图搜索，以获得车标图像。

优选的，上述方法还包括预先建立车标混合模型的步骤，具体包括：

获取N个车标图像样本集合和M个非车标图像样本，其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数，每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合；

将所述N个车标图像样本集合作为车标混合模型的正样本，将所述M个非车标图像样本作为车标混合模型的负样本；

提取所述车标混合模型的正样本的HOG特征，提取所述车标混合模型的负样本的HOG特征；

将所述正样本的HOG特征和所述负样本的HOG特征作为支持向量机SVM的输入进行训练，获得车标混合模型。

优选的，上述方法还包括预先建立车标模型的步骤，具体包括：

获取N个车标图像样本集合，其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数，每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合；

将N个车标图像样本集合中的一个作为车标模型的正样本，将其他N-1个车标图像样本集合作为车标模型的负样本；

提取所述车标模型的正样本的HOG特征，提取所述车标模型的负样本的HOG特征；

将所述车标模型的正样本的HOG特征和所述车标模型的负样本的HOG特征作为SVM的输入进行训练，获得车标模型。

本发明还公开一种车标识别装置，包括：

车标图像搜索单元，用于在检测到地感触发信号之后，在车辆图像中搜索车辆的车标图像；

特征提取单元，在搜索到车标图像后，提取所述车标图像的梯度方向直方图HOG特征；

编码单元，用于对所述车标图像的HOG特征进行局部敏感哈希LSH编码获得所述车标图像的HOG特征编码；

数据处理单元，用于对所述车标图像的HOG特征编码和预存的车标模型的特征编码进行匹配，计算所述车标图像的HOG特征编码和各个车标模型的特征编码之间的汉明距离；其中，对车标模型进行LSH编码获得车标模型的特征编码；

粗检测单元，用于在预存的N个车标模型中确定n个车标模型，n为大于1的整数，所述n个车标模型的特征编码与所述车标图像的HOG特征编码之间的汉明距离，小于其他车标模型的特征编码与所述车标图像的HOG特征编码之间的汉明距离；其中，针对同一种车标在不同光照条件下分别配置有车标模型；

精细检测单元，用于利用所述n个车标模型分别识别所述车标图像，确定置信度最高的车标模型，输出所述置信度最高的车标模型的名称。

优选的，上述车标识别装置中，车标图像搜索单元包括：

识别结果获取模块，用于获取车牌识别结果；

待搜索区域确定模块，用于在车牌被识别的情况下，基于车辆图像中的车牌区域确定待搜索区域，所述待搜索区域包含所述车牌区域且大于所述车牌区域；

第一搜索模块，用于利用预存的车标混合模型在所述待搜索区域进行搜索，以获得车标图像。

优选的，上述车标识别装置中，车标图像搜索单元还包括：第二搜索模块；在车牌未被识别的情况下，第二搜索模块利用所述车标混合模型在所述车辆图像进行全图搜索，以获得车标图像。

优选的，上述车标识别装置还包括车标混合模型构建单元，所述车标混合模型构建单元用于：

获取N个车标图像样本集合和M个非车标图像样本，其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数，每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合；

将所述N个车标图像样本集合作为车标混合模型的正样本，将所述M个非车标图像样本作为车标混合模型的负样本；

提取所述车标混合模型的正样本的HOG特征，提取所述车标混合模型的负样本的HOG特征；

将所述正样本的HOG特征和所述负样本的HOG特征作为支持向量机SVM的输入进行训练，获得车标混合模型。

优选的，上述车标识别装置还包括车标模型构建单元，所述车标模型构建单元用于：

获取N个车标图像样本集合，其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数，每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合；

将N个车标图像样本集合中的一个作为车标模型的正样本，将其他N-1个车标图像样本集合作为车标模型的负样本；

提取所述车标模型的正样本的HOG特征，提取所述车标模型的负样本的HOG特征；

将所述车标模型的正样本的HOG特征和所述车标模型的负样本的HOG特征作为SVM的输入进行训练，获得车标模型。由此可见，本发明的有益效果为：本发明公开的车标识别方法，预先为同一种车标配置不同光照条件下的多个车标模型，因此，能够提高车标识别的准确度；另外，本发明公开的车标识别方法，首先基于LSH算法实现对车标的粗检测，以确定与待识别车标相似性最高的n个车标模型，之后利用该n个车标模型对待识别车标进行精细检测，以确定n个车标模型中置信度最高的车标模型，由于采用了粗检测加精细检测的方式，即便增加了车标模型的数量，也不会对检测速度造成影响。综上，本发明公开的车标识别方法在保证检测速度的前提下，提高了检测准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明公开的一种车标识别方法的流程图；

图2为本发明公开的一种搜索车辆的车标图像的流程图；

图3为本发明公开的预先建立车标混合模型的流程图；

图4为本发明公开的预先建立车标模型的流程图；

图5为本发明公开的一种车标识别装置的结构示意图；

图6为图5中车标图像搜索单元的一种结构示意图；

图7为图5中车标图像搜索单元的另一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明公开一种车标识别方法，能够快速准确的完成车标识别。

参见图1，图1为本发明公开的一种车标识别方法的流程图。该方法包括：

步骤S11：检测到地感触发信号之后，在车辆图像中搜索车辆的车标图像。

地感被埋设在地下，当有车辆经过时，地感输出地感触发信号。当车辆经过地感时，车辆与拍摄装置(如相机或者摄像头)之间的距离较近，拍摄装置拍摄到的图片中车辆的车标是比较清楚的。因此，在检测到地感触发信号之后，获取拍摄装置拍摄的车辆图像，之后在该车辆图像中搜索车辆的车标图像。

步骤S12：在搜索到车标图像后，提取车标图像的HOG特征。

HOG(Histogram of oriented gradients，梯度方向直方图)刻画图像的局部梯度幅值和方向特征。HOG允许块之间相互重叠，因此对光照变化和小量的偏移并不敏感，能有效地刻画出边缘特征。对于角度大的车标检测效果好。

HOG特征是灰度图的梯度统计信息，梯度主要存在于边缘的地方。可以根据如下公式计算梯度，获得HOG特征，其中I(x,y)表示在图像I上的一个点。

图像的一阶梯度的大小为：

$R(x,y)=\sqrt{{(I(x+1,y)-I(x-1,y))}^2+{(I(x,y-1)-I(x,y+1))}^2}$

梯度方向为：

Ang(x,y)＝arccos(I(x+1,y)-I(x-1,y)/R)

直方图方向为9个，将每个分块中所有像素的一维梯度直方图累加到其中，就形成了最终的HOG特征。

这里结合一个实例进行说明：

将搜索到的车标图像归一化为56像素*56像素的尺寸，设置cell(小局部区域)的尺寸为8像素*8像素，4个cell组成一个block(块)，因此一个车标图像可以提取到维的特征，这1296维特征使用1296个浮点数保存。同样的，预存的车标模型也包括1296维的特征。

步骤S13：对车标图像的HOG特征进行LSH编码，获得车标图像的HOG特征编码。

LSH(Locality Sensitive Hashing，局部敏感哈希)是一种快速的分类方法。该方法通过使用哈希表的方法来取代点乘操作，并且通过Winner Take AllHashing把任意的特征转换成二进制编码。使用LSH编码后，可以大大减少分类所需要的时间。LSH编码的基本思想是将原始数据空间中的两个相邻数据点通过相同的映射或投影变换后，这两个数据点在新的数据空间中仍然相邻的概率很大，即经过变换后，落到同一个哈希表的桶的概率很大。不相邻的数据点被映射到同一个桶的概率的很小。对原始数据集合中所有数据都进行哈希映射后，得到一个哈希表，这些原始数据被分散到哈希表的桶内，每个桶内有一些数据，属于同一个桶内的数据很大概率是相同的。我们只需要将查询数据进行哈希映射得到桶号，然后取出该桶号对应的桶内的数据，再进行线性匹配即可查询该数据相邻的数据。因此将一个在超大集合内查找相邻元素的问题转化为在一个很小集合内查找相邻元素的问题，计算量下降明显。

步骤S14：将车标图像的HOG特征编码和预存的车标模型的特征编码进行匹配，计算车标图像的HOG特征编码和各个车标模型的特征编码之间的汉明距离。其中，对车标模型进行LSH编码获得车标模型的特征编码。

本发明中，针对同一种车标在不同光照条件下分别配置有车标模型。例如：针对车标1，可以预先建立车标1在白天正常光照下的车标模型、在白天强光下的车标模型以及在夜间的车标模型。

这里需要说明的是：同一种车标在不同光照条件下呈现出的视觉效果不同，拍摄装置拍摄得到的同一种车标的图像也会存在较大差异，如果将不同光照条件下的车标图像放在一起训练得到一个车标模型，必然会影响后续车标识别的准确性，甚至会出现车标无法被识别的问题。本发明中针对同一种车标在不同光照强度下分别建立车标模型，可以提高车标识别的准确度。

这里结合一个实例进行说明。

步骤A：预先定义2400组随机数，待识别车标的HOG特征与车标模型均使用相同的随机数，每组随机数有16个，即从1296个浮点数中按规定的随机数抽取16个。

步骤B：对每组被抽取出的16个浮点数进行排序，选取最大的浮点数，然后用4位二进制数表示该最大的浮点数在16个浮点数中的序号。例如一组随机数为抽取前16个浮点数，且第7个浮点数最大，那么就使用0111表示该组数据。每4组数据凑成一个16位的数据，16位的原因是为了能通过查16位的表加快比较的速度。

步骤C：经过2400次比较凑成600个16位的数字。

步骤D：通过训练得到的N个车标模型都是1296维的，即1296个浮点数。重复上述步骤A-C可以得到N组数据，每组是600个16位的数字，这些数据可以提前计算，保存在表里，通过查表的方式获取。

步骤E：把从待识别车标的HOG特征中获取的600个16位的数字依次与从N个车标模型中获取的600个16位的数字进行异或操作，然后计算汉明距离，即统计结果中1的个数。这样可得到待识别车标与某个车标模型的相似程度，汉明距离越小表示相似性越高。

步骤S15：在预存的N个车标模型中确定n个车标模型。

其中，n个车标模型的特征编码与车标图像的HOG特征编码之间的汉明距离，小于其他车标模型的特征编码与车标图像的HOG特征编码之间的汉明距离。

也就是说，对N个车标模型进行排序，排序依据为车标模型的特征编码与车标图像的HOG特征编码之间的汉明距离，按照汉明距离从小到大的顺序排序，在排序后的N个车标模型中取前n个车标模型，这n个车标模型与待识别车标的相似性最高。

实施中，n可以优选设置为5。

步骤S16：利用n个车标模型分别识别车标图像，确定置信度最高的车标模型，输出置信度最高的车标模型的名称。

经过上述步骤S11至S15实现了对车标的粗检测，获得了相似性最高的n个车标模型，之后利用这n个车标模型进行精细检测。在精细检测阶段，利用n个车标模型分别识别车标图像，获得n个置信度，确定置信度最高的车标模型，输出该置信度最高的车标模型的名称。

本发明公开的车标识别方法，预先为同一种车标配置不同光照条件下的多个车标模型，因此，能够提高车标识别的准确度；另外，本发明公开的车标识别方法，首先基于LSH算法实现对车标的粗检测，以确定与待识别车标相似性最高的n个车标模型，之后利用该n个车标模型对待识别车标进行精细检测，以确定n个车标模型中置信度最高的车标模型，由于采用了粗检测加精细检测的方式，即便增加了车标模型的数量，也不会对检测速度造成影响。综上，本发明公开的车标识别方法在保证检测速度的前提下，提高了检测准确度。

实施中，在车辆图像中搜索车辆的车标图像，可以采用多种方式实现。例如：通过检测车标区域的显著特征来确定车标图像。具体的：一般在车牌上方都是比较干净的区域，搜索边缘密度较大的区域就可以认为包含了车标。

本发明公开另一种在车辆图像中搜索车辆的车标图像的方法，如图2所示。该方法包括：

步骤S21：获取车牌识别结果。

车标识别是车牌识别的辅助技术。在需要进行车标识别的场景，通常也需要进行车牌识别。因此，在检测到地感触发信号之后，等待车牌识别的结果。

步骤S22：在车牌被识别的情况下，基于车辆图像中的车牌区域确定待搜索区域。其中，待搜索区域包含车牌区域且大于车牌区域。

在车牌识别过程中，能够确定车辆图像中的车牌区域，由于车标通常位于车牌的上方，因此，在车牌被识别的情况下，可以根据车辆图像中的车牌区域确定待搜索区域，该待搜索区域包含了车牌区域，并且面积大于车牌区域。

这里以一个实例进行说明：在车牌被识别的情况下，在车牌区域的基础上，向车牌区域的左侧和右侧分别扩大车牌长度的10％，向车牌区域的上侧扩大车牌宽度的8倍，该区域作为车标的待搜索区域。

步骤S23：利用预存的车标混合模型在所述待搜索区域进行搜索，以获得车标图像。该车标混合模型用户判断图像中是否包含车标。

基于图2所示的方法搜索车标的过程中，利用车辆图像中的车牌区域确定待搜索区域，而不需要针对车辆图像进行全图搜索，可以加快搜索速度，另外，利用车标混合模型进行检测能够提高检测准确度，降低误识别率。

实施中，在车牌未被识别的情况下，可以车标混合模型在车辆图像中进行全图搜索，以便获得车标图像。

另外，在本发明公开的车标识别方法中，还可以进一步设置预先建立车标混合模型的步骤。下面结合图3对预先建立车标混合模型的过程进行说明，包括：

步骤S31：获取N个车标图像样本集合和M个非车标图像样本。

利用摄像机在各个时段和各种天气条件下拍摄车辆的影像，人工截取车标部分的图像作为正样本，人工截取未包含车标的图像作为负样本。

其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数。每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合。

例如：针对车标1，获取3个车标图像样本集合。其中，车标1的第一个车标图像样本集合为：在白天正常光照下车标1的图像的集合；车标1的第二个车标图像样本集合为：在白天强光下车标1的图像的集合；车标1的第三个车标图像样本集合为：在夜间车标1的图像的集合。

步骤S32：将N个车标图像样本集合作为车标混合模型的正样本，将M个非车标图像样本作为车标混合模型的负样本。

步骤S33：提取车标混合模型的正样本的HOG特征，提取车标混合模型的负样本的HOG特征。

步骤S34：将正样本的HOG特征和负样本的HOG特征作为SVM的输入进行训练，获得车标混合模型。

SVM(Support Vector Machine，支持向量机)是一种快速的模式识别方法。SVM训练的样本集可以表示为：(x₁,y₁)，(x₂,y₂)，…，(x_n,y_n)。其中：x_i∈R^d，R^d是训练样本集。y_i∈{-1,1}，y_i＝1表示x_i∈ω₁，y_i＝-1表示x_i∈ω₂，ω₁和ω₂是两种不同的分类。

对于线性分类，决策函数为g(x)＝ω^Tx+b，其中ω是分类面的梯度，而b是偏置。ω^Tx+b＝1和ω^Tx+b＝-1的分类间隔为SVM为了最大化分类间隔，需要求解经过推导，g(x)表示为：其中α_i是训练得到的支持向量系数。

本发明图3所示的方法中，首先采集车标图像样本和非车标图像样本，之后提取各个样本的HOG特征，将提取出的HOG特征作为SVM的输入进行训练，得到车标混合模型。基于该车标混合模型，仅需进行一次检测，能够快速确定车辆图像中的车标区域，从而快速获取到车标图像。

实施中，在本发明公开的车标识别方法中，还可以进一步设置预先建立车标模型的步骤。下面结合图4对预先建立车标模型的过程进行说明，包括：

步骤S41：获取N个车标图像样本集合。

其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数，每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合。

步骤S42：将N个车标图像样本集合中的一个作为车标模型的正样本，将其他N-1个车标图像样本集合作为车标模型的负样本。

这里举例进行说明，当将车标1的第一车标图像样本集合作为车标模型的正样本时，其他车标的车标图像样本集合以及车标1的其他车标图像样本集合都作为负样本。

步骤S43：提取车标模型的正样本的HOG特征，提取车标模型的负样本的HOG特征。

步骤S44：将车标模型的正样本的HOG特征和车标模型的负样本的HOG特征作为SVM的输入进行训练，获得车标模型。

通过多次执行步骤S42至步骤S44，就可以建立全部车标在不同光照条件下的车标模型。

本发明图4公开的方法，在建立某一车标在某一光照条件下的车标模型时，将其他车标的车标图像样本集合以及该车标在其他光照条件下的车标图像样本集合都作为负样本，因此，能够获得更加准确的车标模型。

需要说明的是，车标模型训练是一个迭代过程。最开始的时候可以把白天和晚上的样本一起训练，即每种车标仅一类。然后，在实际测试中查看每种车标在不同光照情况下的差异。有些车标样本白天与晚上差异较大，可以分开训练，有些车标白天与晚上分别不大，仅使用一类即可。分开训练后，得到新的模型，然后替换旧的模型再测试，通过测试的结果再进行调整。经过一段时间迭代训练后就能得到相对满意的模型组合。

本发明上述公开了车标识别方法，相应的，本发明还公开车标识别装置。

参见图5，图5为本发明公开的一种车标识别装置的结构示意图。该车标识别装置包括车标图像搜索单元10、特征提取单元20、编码单元30、数据处理单元40、粗检测单元50和精细检测单元60。

其中：

车标图像搜索单元10，用于在检测到地感触发信号之后，在车辆图像中搜索车辆的车标图像。

特征提取单元20，用于在搜索到车标图像后，提取车标图像的HOG特征。

编码单元30，用于对车标图像的HOG特征进行LSH编码获得车标图像的HOG特征编码。

数据处理单元40，用于对车标图像的HOG特征编码和预存的车标模型的特征编码进行匹配，计算车标图像的HOG特征编码和各个车标模型的特征编码之间的汉明距离。其中，对车标模型进行LSH编码获得车标模型的特征编码。

粗检测单元50，用于在预存的N个车标模型中确定n个车标模型，n为大于1的整数。其中，n个车标模型的特征编码与车标图像的HOG特征编码之间的汉明距离，小于其他车标模型的特征编码与车标图像的HOG特征编码之间的汉明距离。本发明中，针对同一种车标在不同光照条件下分别配置有车标模型。

精细检测单元60，用于利用n个车标模型分别识别车标图像，确定置信度最高的车标模型，输出置信度最高的车标模型的名称。

本发明公开的车标识别装置，预先为同一种车标配置不同光照条件下的多个车标模型，因此，能够提高车标识别的准确度；另外，本发明公开的车标识别装置，首先基于LSH算法实现对车标的粗检测，以确定与待识别车标相似性最高的n个车标模型，之后利用该n个车标模型对待识别车标进行精细检测，以确定n个车标模型中置信度最高的车标模型，由于采用了粗检测加精细检测的方式，即便增加了车标模型的数量，也不会对检测速度造成影响。综上，本发明公开的车标识别装置在保证检测速度的前提下，提高了检测准确度。

实施中，车标图像搜索单元10在车辆图像中搜索车辆的车标图像，可以采用多种方式实现。例如：通过检测车标区域的显著特征来确定车标图像。具体的：一般在车牌上方都是比较干净的区域，搜索边缘密度较大的区域就可以认为包含了车标。

本发明公开一种优选实施方式，车标图像搜索单元10的结构如图6所示，包括识别结果获取模块101、待搜索区域确定模块102和第一搜索模块103。

其中：

识别结果获取模块101，用于获取车牌识别结果。

待搜索区域确定模块102，用于在车牌被识别的情况下，基于车辆图像中的车牌区域确定待搜索区域，待搜索区域包含车牌区域且大于车牌区域。

第一搜索模块103，用于利用预存的车标混合模型在待搜索区域进行搜索，以获得车标图像。该车标混合模型用户判断图像中是否包含车标。

车标识别是车牌识别的辅助技术。在需要进行车标识别的场景，通常也需要进行车牌识别。因此，在检测到地感触发信号之后，等待车牌识别的结果。在车牌识别过程中，能够确定车辆图像中的车牌区域，由于车标通常位于车牌的上方，因此，在车牌被识别的情况下，可以根据车辆图像中的车牌区域确定待搜索区域，该待搜索区域包含了车牌区域，并且面积大于车牌区域。这里以一个实例进行说明：在车牌被识别的情况下，在车牌区域的基础上，向车牌区域的左侧和右侧分别扩大车牌长度的10％，向车牌区域的上侧扩大车牌宽度的8倍，该区域作为车标的待搜索区域。

本发明图6所示的车标图像搜索单元，利用车辆图像中的车牌区域确定待搜索区域，而不需要针对车辆图像进行全图搜索，可以加快搜索速度，另外，利用车标混合模型进行检测能够提高检测准确度，降低误识别率。

实施中，可以在图6所示的车标图像搜索单元的基础上，进一步设置第二搜索模块104，如图7所示。第二搜索模块104与识别结果获取模块101连接，在车牌未被识别的情况下，第二搜索模块104利用车标混合模型在车辆图像进行全图搜索，以获得车标图像。

另外，还可以在车标识别装置中设置车标混合模型构建单元，该车标混合模型构建单元用于：

获取N个车标图像样本集合和M个非车标图像样本，其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数，每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合；将N个车标图像样本集合作为车标混合模型的正样本，将M个非车标图像样本作为车标混合模型的负样本；提取车标混合模型的正样本的HOG特征，提取车标混合模型的负样本的HOG特征；将正样本的HOG特征和负样本的HOG特征作为支持向量机SVM的输入进行训练，获得车标混合模型。

本发明上述公开的车标混合模型构建单元，首先采集车标图像样本和非车标图像样本，之后提取各个样本的HOG特征，将提取出的HOG特征作为SVM的输入进行训练，得到车标混合模型。基于该车标混合模型，仅需进行一次检测，能够快速确定车辆图像中的车标区域，从而快速获取到车标图像。

另外，还可以在车标识别装置中设置车标模型构建单元，该车标模型构建单元用于：

获取N个车标图像样本集合，其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数，每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合；将N个车标图像样本集合中的一个作为车标模型的正样本，将其他N-1个车标图像样本集合作为车标模型的负样本；提取车标模型的正样本的HOG特征，提取车标模型的负样本的HOG特征；将车标模型的正样本的HOG特征和车标模型的负样本的HOG特征作为SVM的输入进行训练，获得车标模型。

本发明上述公开的车标模型构建单元，在建立某一车标在某一光照条件下的车标模型时，将其他车标的车标图像样本集合以及该车标在其他光照条件下的车标图像样本集合都作为负样本，因此，能够获得更加准确的车标模型。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种车标识别方法，其特征在于，包括：

检测到地感触发信号之后，在车辆图像中搜索车辆的车标图像；

在搜索到车标图像后，提取所述车标图像的梯度方向直方图HOG特征；

对所述车标图像的HOG特征进行局部敏感哈希LSH编码，获得所述车标图像的HOG特征编码；

将所述车标图像的HOG特征编码和预存的车标模型的特征编码进行匹配，计算所述车标图像的HOG特征编码和各个车标模型的特征编码之间的汉明距离；其中，对车标模型进行LSH编码获得车标模型的特征编码；

在预存的N个车标模型中确定n个车标模型，n为大于1的整数，所述n个车标模型的特征编码与所述车标图像的HOG特征编码之间的汉明距离，小于其他车标模型的特征编码与所述车标图像的HOG特征编码之间的汉明距离；其中，针对同一种车标在不同光照条件下分别配置有车标模型；

利用所述n个车标模型分别识别所述车标图像，确定置信度最高的车标模型，输出所述置信度最高的车标模型的名称。

2.根据权利要求1所述的方法，其特征在于，所述在车辆图像中搜索车辆的车标图像，包括：

获取车牌识别结果；

在车牌被识别的情况下，基于车辆图像中的车牌区域确定待搜索区域，所述待搜索区域包含所述车牌区域且大于所述车牌区域；

利用预存的车标混合模型在所述待搜索区域进行搜索，以获得车标图像。

3.根据权利要求2所述的方法，其特征在于，获取车牌识别结果之后，在车牌未被识别的情况下，还包括：利用所述车标混合模型在所述车辆图像进行全图搜索，以获得车标图像。

4.根据权利要求1、2或3所述的方法，其特征在于，还包括预先建立车标混合模型的步骤，具体包括：

获取N个车标图像样本集合和M个非车标图像样本，其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数，每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合；

将所述N个车标图像样本集合作为车标混合模型的正样本，将所述M个非车标图像样本作为车标混合模型的负样本；

提取所述车标混合模型的正样本的HOG特征，提取所述车标混合模型的负样本的HOG特征；

将所述正样本的HOG特征和所述负样本的HOG特征作为支持向量机SVM的输入进行训练，获得车标混合模型。

5.根据权利要求1、2或3所述的方法，其特征在于，还包括预先建立车标模型的步骤，具体包括：

获取N个车标图像样本集合，其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数，每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合；

将N个车标图像样本集合中的一个作为车标模型的正样本，将其他N-1个车标图像样本集合作为车标模型的负样本；

提取所述车标模型的正样本的HOG特征，提取所述车标模型的负样本的HOG特征；

将所述车标模型的正样本的HOG特征和所述车标模型的负样本的HOG特征作为SVM的输入进行训练，获得车标模型。

6.一种车标识别装置，其特征在于，包括：

车标图像搜索单元，用于在检测到地感触发信号之后，在车辆图像中搜索车辆的车标图像；

特征提取单元，在搜索到车标图像后，提取所述车标图像的梯度方向直方图HOG特征；

编码单元，用于对所述车标图像的HOG特征进行局部敏感哈希LSH编码获得所述车标图像的HOG特征编码；

数据处理单元，用于对所述车标图像的HOG特征编码和预存的车标模型的特征编码进行匹配，计算所述车标图像的HOG特征编码和各个车标模型的特征编码之间的汉明距离；其中，对车标模型进行LSH编码获得车标模型的特征编码；

粗检测单元，用于在预存的N个车标模型中确定n个车标模型，n为大于1的整数，所述n个车标模型的特征编码与所述车标图像的HOG特征编码之间的汉明距离，小于其他车标模型的特征编码与所述车标图像的HOG特征编码之间的汉明距离；其中，针对同一种车标在不同光照条件下分别配置有车标模型；

精细检测单元，用于利用所述n个车标模型分别识别所述车标图像，确定置信度最高的车标模型，输出所述置信度最高的车标模型的名称。

7.根据权利要求6所述的装置，其特征在于，车标图像搜索单元包括：

识别结果获取模块，用于获取车牌识别结果；

待搜索区域确定模块，用于在车牌被识别的情况下，基于车辆图像中的车牌区域确定待搜索区域，所述待搜索区域包含所述车牌区域且大于所述车牌区域；

第一搜索模块，用于利用预存的车标混合模型在所述待搜索区域进行搜索，以获得车标图像。

8.根据权利要求7所述的装置，其特征在于，所述车标图像搜索单元还包括：第二搜索模块；

在车牌未被识别的情况下，第二搜索模块利用所述车标混合模型在所述车辆图像进行全图搜索，以获得车标图像。

9.根据权利要求6、7或8所述的装置，其特征在于，还包括车标混合模型构建单元，所述车标混合模型构建单元用于：

获取N个车标图像样本集合和M个非车标图像样本，其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数，每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合；

将所述N个车标图像样本集合作为车标混合模型的正样本，将所述M个非车标图像样本作为车标混合模型的负样本；

提取所述车标混合模型的正样本的HOG特征，提取所述车标混合模型的负样本的HOG特征；

将所述正样本的HOG特征和所述负样本的HOG特征作为支持向量机SVM的输入进行训练，获得车标混合模型。

10.根据权利要求6、7或8所述的装置，其特征在于，还包括车标模型构建单元，所述车标模型构建单元用于：

获取N个车标图像样本集合，其中，针对每个车标获取K个车标图像样本集合，K为大于1的整数，每个车标图像样本集合为在相同光照条件下获取的车标图像的集合，一个车标的K个车标图像样本集合为在不同光照条件下获取的车标图像样本集合；

将N个车标图像样本集合中的一个作为车标模型的正样本，将其他N-1个车标图像样本集合作为车标模型的负样本；

提取所述车标模型的正样本的HOG特征，提取所述车标模型的负样本的HOG特征；

将所述车标模型的正样本的HOG特征和所述车标模型的负样本的HOG特征作为SVM的输入进行训练，获得车标模型。